Translated lancia Lara Mini, un modello di ricerca in 45 lingue

Translated ha annunciato Lara Mini il 12 novembre 2026, presentando un modello di ricerca addestrato da zero su 6.000 miliardi di token in inglese e in altre 44 lingue, comprese tutte le 24 lingue ufficiali dell’UE. Il sistema, dotato di 7,2 miliardi di parametri, ne attiva soltanto 600 milioni per token.

L’architettura Mixture of Experts attiva quattro dei 128 esperti instradati per ogni token, mentre un esperto condiviso rimane attivo. I suoi 34 strati combinano 14 strati di attenzione lineare Gated DeltaNet, 13 strati di attenzione a finestra scorrevole con una finestra di 512 token e sette strati di attenzione globale, limitando la crescita dello stato di inferenza rispetto all’attenzione completa. Dopo la fase iniziale di addestramento, un’ulteriore fase da 100 miliardi di token ha esteso la finestra di contesto da 4.096 a 131.072 token.

Translated ha costruito il dataset a partire da fonti pubblicate liberamente, filtrandole ed eliminando i duplicati fino a ottenere un insieme di 13.800 miliardi di token; il 97% dei token usati nell’addestramento iniziale corrispondeva alla prima lettura di un documento. L’inglese ha fornito 2.490 miliardi di token, pari al 41,4%, mentre le altre 44 lingue ne hanno forniti 2.180 miliardi, pari al 36,4%. La parte restante proveniva da codice, matematica ed esempi formattati come dati di fine-tuning supervisionato.

Verifica della sostituzione con l’inglese

Per un test separato, i ricercatori hanno usato lo stesso checkpoint per due fasi controllate di annealing da 100 miliardi di token, la fase finale dell’addestramento in cui il tasso di apprendimento scende fino a zero. Sostituendo con l’inglese la quota multilingue del 33%, la quota dell’inglese è passata dal 27% al 60%. Il rapporto tecnico indica che la media sul set di sviluppo in inglese è aumentata di appena 0,3 punti, mentre la media multilingue nelle lingue supportate è diminuita di 2,7 punti.

L’esperimento riguarda soltanto la fase di annealing e non misura l’effetto della quota multilingue durante la fase principale di preaddestramento. Un’analisi separata dell’instradamento ha rilevato che le lingue condividono gli esperti, anziché disporre di gruppi di esperti separati; nelle prime parti della rete le lingue affini mostrano un instradamento simile, mentre negli strati intermedi l’instradamento è quasi identico. Gli autori avvertono che la condivisione dell’instradamento non dimostra la condivisione di rappresentazioni semantiche e che i loro esperimenti non dimostrano che l’addestramento multilingue migliori il ragionamento generale o le prestazioni in inglese.

Punteggi dei benchmark e relativi limiti

Translated ha valutato Lara Mini rispetto ad altri 56 modelli di base aperti, su 26 benchmark di inglese, multilinguismo, matematica e codice, utilizzando prompt, impostazioni e metodi di estrazione delle risposte comuni. Tra i 36 modelli con un massimo di 2 miliardi di parametri attivi, Lara Mini ha ottenuto una media complessiva di 57,0, superando granite-4.0-h-tiny, con 53,9, e Qwen3-1.7B, con 53,8. I rispettivi totali dichiarati di preaddestramento erano 22.500 e 36.000 miliardi di token, contro i 6.000 miliardi della fase iniziale di Lara Mini.

I risultati di Translated collocano Lara Mini al primo posto della categoria nella comprensione multilingue, con 56,7, e in matematica, con 59,9; al secondo posto in inglese, con 66,4, e al quinto nel codice, con 45,1. Il punteggio complessivo attribuisce lo stesso peso alle medie dei quattro ambiti; per tutti i modelli, la media dei benchmark multilingue è calcolata sulle lingue non inglesi supportate da Lara Mini. Il confronto riguarda modelli di base, non sistemi ottimizzati tramite fine-tuning per seguire istruzioni. La qualità varia inoltre da una lingua all’altra: tra le lingue supportate con i punteggi più bassi figurano l’azero e il bengalese, per le quali i dati di addestramento sono limitati.

Translated ha misurato per Lara Mini una velocità di circa 1.100 caratteri generati al secondo per un singolo utente, su una GPU A100 e senza quantizzazione; nella sua comparazione della velocità, ogni modello con una media complessiva superiore ha generato testo almeno 1,8 volte più lentamente. Il vantaggio è massimo con un singolo utente e prompt lunghi, e si riduce quando molti utenti condividono la GPU.

Accesso alla ricerca e piani di prodotto

Il modello rilasciato è un modello di base per la continuazione del testo, non un sistema progettato per seguire istruzioni o conversare, e non è stato sottoposto ad alcun perfezionamento di sicurezza. La sua scheda del modello avverte che può generare testi errati, parziali o offensivi e che non dovrebbe essere distribuito come assistente senza ulteriore addestramento.

L’accesso ai pesi è soggetto ad approvazione: ogni richiesta viene esaminata da Translated. I pesi sono concessi in licenza con CC BY-NC-SA 4.0 per la ricerca e altri usi non commerciali, mentre il codice e il tokenizer utilizzano Apache 2.0. Translated offre separatamente licenze commerciali e non rilascia dati di addestramento insieme al modello.

La pagina di ricerca di Translated afferma che anche alcuni clienti aziendali selezionati avranno accesso al modello e indica il fine-tuning per applicazioni sovrane specializzate come un uso previsto. Lara Mini fa parte di Lara 4, la famiglia di modelli fondativi destinata ad alimentare la prossima generazione di Lara Translate.

Un aggiornamento pubblicato il 13 novembre 2026 ha dichiarato che Lara Mini non era ancora disponibile in Lara Translate. L’azienda prevedeva di usarlo come base per la traduzione offline dei testi nella prossima app Lara Translate, con elaborazione sul telefono, in modo che i testi rimanessero sul dispositivo. Il riferimento alle 45 lingue descrive la copertura dell’addestramento; non è stato specificato il supporto linguistico al lancio per la traduzione offline.

L’app prevista collega la ricerca a una prova concreta del prodotto: trasformare un checkpoint di ricerca essenziale in uno strumento di traduzione privato e utilizzabile sul dispositivo, mantenendo l’efficienza e le prestazioni multilingue riportate nella valutazione di Translated.